Druhá derivace znalostí: co AI mění na tom, co potřebujeme umět

Za Rakouska-Uherska se žáci učili velkou násobilku - celou, až do dvaceti krát dvacet. Dokázali v hlavě násobit trojciferná čísla. Pak přišly logaritmické tabulky, pak kalkulačky, a tuhle schopnost ztratili. Když se v osmdesátých letech objevily v českých školách kapesní kalkulačky, učitelé panicky varovali: děti se nikdy nenaučí počítat. Měli částečně pravdu - jen se mýlili v tom, co to znamená.

Generace, která vyrostla s kalkulačkou, velkou násobilku neumí. Ale umí programovat. Generace, která vyrůstá s AI, možná nebude programovat - ale bude umět formulovat problémy, které žádná předchozí generace neuměla ani pojmenovat. Pokaždé se děje totéž: jedna schopnost ustupuje, mozek přesměruje uvolněnou kapacitu jinam. Od mechanického počítání ke schopnosti řídit výpočet. Od psaní cyklů ke schopnosti navrhnout architekturu. Od aplikování znalostí ke schopnosti vědět, že mám problém, která disciplína ho řeší a jak poznat, že mi AI vrátilo nesmysl.

Tomuto posunu říkám druhá derivace znalostí. A data z let 2023–2026 naznačují, že právě její zvládnutí rozhodne o tom, kdo bude v éře AI prosperovat - a kdo se stane pouhým tlačítkem na spouštění promptů.

Metafora z matematické analýzy není náhodná. Představte si znalost jako křivku. Nultá derivace - hodnota funkce - jsou samotná fakta: hlavní město Bolívie, vzorec pro výpočet odporu, rok bitvy u Slavkova. Po staletí tvořila jádro vzdělávání. Dnes je AI vyhledá za zlomek sekundy.

První derivace - směrnice, rychlost změny - je schopnost ta fakta kombinovat, aplikovat, vidět mezi nimi vztahy. Inženýr, který ví nejen Ohmův zákon, ale umí navrhnout obvod. Lékař, který nejen zná symptomy, ale stanoví diagnózu. Tohle byla doména expertů - a přesně sem dnes proniká generativní AI.

Druhá derivace - zakřivení, změna rychlosti změny - je meta-kompetence: rozpoznat, že mám problém. Identifikovat, který obor ho řeší. Formulovat správný dotaz. Kriticky zhodnotit, co mi AI vrátilo. Vědět, co nevím - a vědět, jak se to dozvědět.

Tahle metafora není jen elegantní zkratka. Nachází překvapivě silnou oporu v akademické literatuře.

Bloomova taxonomie kognitivních cílů - šest pater od zapamatování přes porozumění, aplikaci, analýzu, hodnocení až po tvorbu - slouží od roku 1956 jako základní rámec vzdělávání po celém světě. AI ji převrací vzhůru nohama.

Oregon State University ve své analýze doporučuje úroveň „Remember“ v Bloomově taxonomii zásadně přehodnotit, protože AI nástroje dokáží produkovat přesné odpovědi na dotazy po základních informacích. Hmoud a Ali (2024) jdou dále a navrhují zcela novou taxonomii pro éru AI - šest úrovní Collect, Adapt, Simulate, Process, Evaluate, Innovate -, které nahrazují tradiční pyramidu.

Klíčová změna ovšem nespočívá jen v tom, že spodní patra se „automatizují“. White paper vydavatelství Anthology (2025) argumentuje, že AI netransformuje jen nižší úrovně, ale mění význam každé úrovně taxonomie: posouvá důraz od otázky „co víte?“ k otázkám „jak to víte?“ a „jak víte, že je to důvěryhodné?“

Gonsalves (2024) na stránkách SAGE Journals identifikoval narušení tradiční hierarchie: studenti pracující s generativní AI se pohybují v nelineárních cyklech mezi kognitivními, afektivními a metakognitivními doménami. Jinými slovy: Bloomova pyramida se rozpadá na síť.

A přesně v tomto bodě vstupuje do hry druhá derivace. Tankelevitch et al. (2024) v práci oceněné na konferenci CHI (ACM) přišli s klíčovým poznatkem: metakognitivní nároky práce s generativní AI se podobají nárokům manažera, který deleguje úkoly týmu. Manažer musí chápat a formulovat své cíle, rozložit je na komunikovatelné úkoly, posoudit kvalitu výstupu a přizpůsobit plány.

Tato analogie přesně popisuje druhou derivaci v praxi. Nejste ten, kdo počítá. Jste ten, kdo říká, co počítat, proč a zda výsledek dává smysl.

Harvard Project Zero tento posun pojmenovává jako přechod od „reckoning“ - počítání a predikce, což je doména AI - k „judgment”: rozhodování v nejistotě, etické úvahy a praktická moudrost, které musí zajistit člověk.

Ale je tu varování, které nelze ignorovat. Online Learning Consortium (2025) upozorňuje, že studenti nemohou smysluplně zapojit AI pro kritické hodnocení vyššího řádu, aniž by nejprve samostatně zvládli analytické a syntetické dovednosti nižšího řádu. K tomu se vrátím - je to zásadní komplikace.

Tři teorie učení formulovaly jádro druhé derivace dávno před nástupem ChatGPT.

Konektivismus George Siemense (2005) zavedl princip, který dnes zní téměř profeticky: schopnost vědět více je důležitější než to, co člověk aktuálně ví. Siemens přidal ke tradičním know-how a know-that koncept know-where - jako klíčovou kompetenci pro digitální věk. V éře, kdy AI funguje jako univerzální znalostní uzel, se navigace sítí znalostí stává důležitější než jejich memorování.

Heutagogie - teorie sebe-řízeného učení Haseho a Kenyona (2000) - přináší koncept double-loop learningu. Single-loop je řešení problému (první derivace). Double-loop je reflexe vlastních předpokladů o tom, jak se učím a co se potřebuji naučit (druhá derivace). Hase napsal: primárním zájmem heutagogie jsou otázky, které učební zkušenost vyvolává, nikoliv poskytování odpovědí.

Srovnávací studie (2024) konektivismu a rhizomatického učení potvrdila, že obě teorie zdůrazňují technologickou propojenost, distribuovanou znalost a adaptabilitu - přesně ty kompetence, které druhá derivace vyžaduje.

Mezinárodní instituce tyto teorie začínají uvádět do praxe. OECD Learning Compass 2030 zavádí cyklus Anticipation–Action–Reflection (AAR), kde schopnost předvídat dopady vlastních rozhodnutí a reflektovat své učení tvoří jádro kompetencí pro rok 2030. UNESCO vydalo v září 2024 dva rámce kompetencí - 12 kompetencí ve 4 doménách pro studenty a 15 kompetencí v 5 doménách pro učitele - s progresí od porozumění přes aplikaci k tvorbě.

WEF Future of Jobs Report 2025, založený na průzkumu více než 1 000 globálních zaměstnavatelů zastupujících přes 14 milionů pracovníků, řadí analytické myšlení na první místo mezi klíčovými kompetencemi - sedm z deseti firem ho považuje za zásadní. Mezi nejrychleji rostoucími dovednostmi do roku 2030 jsou vedle AI a analýzy dat právě kreativní myšlení, odolnost a zvídavost - vesměs meta-kompetence druhé derivace.

Teorie je hezká. Jak to vypadá v praxi?

Minerva University v San Franciscu je nejradikálnějším příkladem. Její filosofie je explicitní: informace jsou dnes hojné a snadno dostupné, obsah se stal komoditou. Kurikulum není organizováno podle oborů, ale kolem učebních výstupů ve čtyřech kompetencích: kritické myšlení, kreativní myšlení, efektivní komunikace a efektivní interakce. Žádné přednášky, žádné závěrečné zkoušky - pouze aktivní semináře maximálně po dvaceti studentech.

Výsledky jsou působivé: retence v prvním roce kolem 96 %, míra dokončení studia přibližně 89 % - téměř o 26 bodů nad národním průměrem USA. Přijímací poměr kolem 3 % ale naznačuje silný selekční bias - úspěch mohou vysvětlovat spíše přijatí studenti než pedagogika.

Finsko staví na desetiletích tradice mediální gramotnosti. V roce 2025 vydala Finnish National Agency for Education (EDUFI) doporučení pro AI ve vzdělávání, integrující AI gramotnost od předškolního věku po odborné vzdělávání. Fenomén-based learning zavedený v kurikulu 2016 učí studenty řešit mezioborové projekty namísto izolovaných předmětů. Klíčová výzva: pokyny zatím nejsou zapracovány přímo do kurikula, jehož revize probíhá přibližně jednou za dekádu. Pouze asi 20 % finských učitelů aktivně používá AI ve výuce.

Singapur strukturoval svůj přístup k AI ve vzdělávání do čtyř vrstev: Learn about AI, Learn to use AI, Learn with AI, Learn beyond AI - s důrazem na posilování doménových znalostí a lidských hodnot, které AI nenahradí. Platforma Student Learning Space nasazuje nástroj LEA (Learning Assistant), který klade naváděcí otázky namísto přímých odpovědí. Data z TALIS 2024 ukazují, že 75 % singapurských učitelů používá AI - nejvíce na světě.

Čína učinila v roce 2025 historický krok: Ministerstvo školství vydalo pokyny, podle nichž je od září 2025 AI povinným předmětem pro všechny žáky základních a středních škol, s minimem osmi hodin ročně. Struktura je progresivní: na základní škole expozice rozpoznávání hlasu a klasifikace obrazu, na nižší střední škole technické principy a kritické myšlení pro identifikaci dezinformací v AI výstupech, na vyšší střední aplikovaná inovace a interdisciplinární systémové myšlení.

Estonsko navázalo na legendární program Tiger Leap z devadesátých let programem AI Leap (2025): studenti a učitelé získali přístup k AI nástrojům prostřednictvím partnerství s OpenAI a Anthropic, s plánovaným rozšířením na další desítky tisíc studentů.

Česká vláda schválila v červenci 2024 aktualizovanou Národní strategii umělé inteligence ČR 2030. NPI ČR vydal v roce 2025 metodický materiál „Jak učit a hodnotit v době AI“ zaměřený na kritické myšlení, zodpovědnost za AI výstupy a AI gramotnost. „Velká revize“ RVP (2025) integruje AI jako průřezovou kompetenci - nikoliv samostatný předmět - s povinnou implementací od září 2027.

Čísla ale ukazují propast mezi strategií a realitou. Podle průzkumu NPI (2024, 950 ředitelů a 1 449 učitelů) pouze asi 20 % českých učitelů aktivně používá AI ve výuce. Pro srovnání: v Singapuru je to 75 %. Česko má strategii, ale nemá armádu, která by ji realizovala.

Směr je jasný a překvapivě konsenzuální. OECD a Evropská komise společně připravují AI Literacy Framework pro základní a střední školy - pracovní verze z května 2025 definuje 22 kompetencí ve 4 doménách: Engage with AI, Create with AI, Manage AI, Design AI. OECD současně připravuje pro PISA 2029 zcela novou hodnotící doménu - Media and AI Literacy (MAIL) -, což bude první mezinárodní srovnávací test AI gramotnosti.

EU AI Act (účinný od února 2025) zavádí v článku 4 požadavek na dostatečnou AI gramotnost zaměstnanců. V září 2025 Komise publikovala pokyny pro učitele ke klíčovým prioritám digitálního vzdělávání. Jižní Korea v listopadu 2025 oznámila plán na rozvoj AI talentů za 960 milionů USD.

Implementace ale zůstává hlavním problémem. Data z TALIS 2024 (OECD) ukazují, že pouze 41 % učitelů globálně používá AI ve výuce. Tři čtvrtiny nepoužívajících učitelů uvádějí nedostatek znalostí a dovedností jako hlavní bariéru. Školení absolvovalo pouze 38 % učitelů průměrně - ale rozptyl je obrovský: 76 % v Singapuru oproti 9 % ve Francii.

Nerovnosti přidávají další rozměr. Brookings Institution (2023) varuje před „třetím digitálním předělem”: bohaté děti dostanou AI i lidské učitele, zatímco chudé děti dostanou jen AI. Stanford Center for Racial Justice (2024) zjistil, že 72 % bílých amerických teenagerů slyšelo o ChatGPT oproti 56 % černých.

Bylo by pohodlné říct: zapomeňte na fakta, učte meta-kompetence. Kognitivní věda říká: tak jednoduché to není.

Teorie kognitivní zátěže Johna Swellera (1988) ukazuje, že pracovní paměť pojme maximálně čtyři až sedm položek současně. Znalosti uložené v dlouhodobé paměti fungují jako „schémata“ - komprimované celky, které v pracovní paměti zaberou místo jediné položky. Bez nich je pracovní paměť zahlcena a vyšší myšlení se stává doslova nemožným. Nemůžete řídit tým (druhá derivace), když nerozumíte tomu, co tým dělá (nultá a první).

Oakley et al. (2025, arXiv) v práci „The Memory Paradox“ argumentují, že efektivní interakce člověk–AI závisí na silných vnitřních modelech - biologických schématech -, které uživatelům umožňují hodnotit, zpřesňovat a řídit AI výstupy. Jinými slovy: abyste mohli být dobrým „manažerem AI“, potřebujete právě ty znalosti, které se chystáte delegovat.

Šestiletá randomizovaná studie (Grissmer et al., 2023, University of Virginia, n = 2 310) zjistila, že žáci ve školách s obsahově bohatým kurikulem (Core Knowledge) skórovali o 16 percentilních bodů výše na státních testech čtení. Kurikulum bohaté na umění, historii a vědu vedlo k výraznému zlepšení čtenářských dovedností - nikoliv kurikulum zaměřené na obecné „dovednosti“.

Koncept „žádoucích obtíží“ (desirable difficulties) Roberta Bjorka přidává další vrstvu. Čtyři prokázaně účinné postupy - rozložení učení v čase, prokládání témat, vybavování z paměti a aktivní generování - produkují výrazně lepší dlouhodobou retenci, přestože se v krátkodobém horizontu zdají méně efektivní. AI systematicky odstraňuje právě tyto obtíže tím, že poskytuje okamžité odpovědi. Optimalizuje krátkodobý výkon za cenu poškození dlouhodobého učení.

Punya Mishra (2025) analyzoval studii Microsoftu (319 knowledge workers) a identifikoval „dilema nováčka”: učící se, kteří nemají ani doménovou expertízu, ani expertízu v práci s AI, jsou dvojnásobně zranitelní - neschopní hodnotit přesnost AI výstupů a nevědoucí, kdy a jak je AI může svést na scestí.

Toto je nejsilnější protiargument: teze o druhé derivaci předpokládá, že základy existují. Pro nováčka, který nic neví, je druhá derivace nedefinovaná - nemáte co derivovat.

Nejlépe to ilustruje analogie s jazykem. Aktivní znalost - schopnost mluvit, psát, argumentovat - je podmíněna znalostí pasivní: musíte rozumět slovům, než je můžete použít. Nikdo se nenaučí plynule česky přeskočením fáze, kdy rozumí, ale ještě nemluví. Stejně tak v matematice: logické uvažování vyššího řádu stojí na zvládnuté aritmetice, i když ji pak už nikdy nebudete dělat ručně. Dítě, které nikdy nepočítalo, nemá intuici pro čísla - neví, zda výsledek „dává smysl“. A právě tahle intuice je to, co potřebujete, když hodnotíte výstup AI. Otázka tedy nezní „zda učit základy“, ale kolik, jak a kdy přejít výše.

Ale historie ukazuje: lidský mozek nikdy kapacitu neztratil - vždycky ji přesměroval. Žáci, kteří uměli v hlavě násobit velká čísla, neměli víc neuronů než dnešní programátoři. Měli jen jinak alokované kognitivní zdroje. Otázka není, zda mozek přijde o schopnost - ta se přesune jinam. Otázka je, zda řídíme, kam se přesune, nebo jestli to necháme na náhodě a algoritmu. Právě proto je druhá derivace tak důležitá: není to jen nová kompetence, je to kompetence řídit vlastní kognitivní přeorganizaci.

Dvě studie z roku 2025 společně vykreslují překvapivě jasný obraz - a ten obraz není černobílý.

Harvardská randomizovaná studie (Kestin et al., 2025, Scientific Reports, n = 194) zjistila, že studenti s pečlivě navrženým AI tutorem - založeným na GPT-4, pedagogicky strukturovaným tak, aby kladl krátké otázky, vedl krok po kroku a podporoval vlastní myšlení studenta - se naučili více než dvakrát tolik za kratší čas oproti aktivnímu učení ve třídě.

Na druhé straně: Bastani et al. (2025, PNAS, Wharton/UPenn, přibližně 1 000 středoškoláků na turecké škole) zjistili, že skupina s neomezeným přístupem k ChatGPT vyřešila o 48 % více problémů během cvičení, ale na následném testu bez AI skórovala o 17 % hůře.

Společně tyto dvě studie říkají něco zásadního: efekt AI na učení zcela závisí na designu, nikoliv na technologii samotné. Dobře navržený AI tutor se záměrnými „žádoucími obtížemi“ dramaticky zlepšuje učení. Neřízený přístup k chatbotu ho poškozuje. A právě schopnost rozlišit tyto dva režimy - to je meta-kompetence druhé derivace.

Gerlich (2025, MDPI, 666 respondentů) nalezl silnou negativní korelaci mezi frekvencí používání AI a skóre kritického myšlení. Report University of Technology Sydney (2026) zavádí pojem „paradox výkonu”: AI zvyšuje okamžitý výkon studenta při současném oslabení trvalého učení. Studenti přitom prokazatelně přenechávají kritické myšlení a další kognitivně náročné operace na AI.

Tři meta-analýzy z roku 2025 potvrzují celkově pozitivní efekt AI na akademický výkon - Dong et al. (29 studií, 2 657 účastníků) reportují velikost efektu 0,924, Ma et al. (34 studií) velikost efektu 0,68 - ale s vysokou heterogenitou. Efekty dramaticky závisí na kontextu a designu.

Povzbudivé jsou naopak data o učitelnosti meta-kompetencí. Meta-analýza metakognitivních intervencí v matematice (2025, Cogent Education, 43 studií, 13 924 účastníků) zjistila velikost efektu 1,11 pro matematický výkon a 1,18 pro metakognitivní dovednosti samotné. Eberhart et al. (2024, Metacognition and Learning, 67 studií) potvrdili efektivitu metakognitivních intervencí u dětí s přetrvávajícím efektem při follow-up měření. Meta-analýza dlouhodobých efektů u vysokoškoláků (49 studií, 5 786 účastníků) zjistila, že programy založené na metakognitivní teorii měly vyšší efekty na akademický výkon než programy založené na čistě kognitivní teorii.

Druhá derivace se tedy dá učit - a její efekty jsou měřitelné a trvalé. Ale jen tehdy, pokud existuje základ, na kterém stojí.

Jak jsme ukázali výše, WEF Future of Jobs Report 2025 identifikuje analytické myšlení jako klíčovou kompetenci číslo jedna. PwC Global AI Jobs Barometer (2025, analýza přibližně 1 miliardy pracovních inzerátů) zjistil, že dovednosti v profesích exponovaných AI se mění o 66 % rychleji než v ostatních profesích a pracovníci s AI dovednostmi mají 56% mzdovou prémii.

ZipRecruiter Annual Employer Survey (2025, přes 1 500 profesionálů) paradoxně zjistil, že tři nejžádanější dovednosti jsou lidské: spolupráce, zákaznický servis a komunikace. Nejvíce chybějící dovedností je kritické myšlení.

Adopce AI studenty mezitím exploduje: podle College Board většina amerických středoškoláků používá generativní AI pro školní práci, přičemž celkově až 92 % studentů uvádí, že AI používá. Ale podle RAND Corporation (2025) více než 80 % studentů uvádí, že je učitelé explicitně neučili, jak AI používat.

Vzniká nebezpečná situace: masová adopce předbíhá pedagogickou přípravu. Studenti mají nástroj druhé derivace v rukou, ale nikdo je neučí, jak ho používat - a nikdo je neučí, že ho potřebují umět používat.

Vraťme se k té kaskádě z úvodu. Kalkulačka. Programovací jazyk. AI. Pokaždé se dělo totéž: lidé ztratili jednu schopnost - a jejich mozek přesměroval uvolněnou kapacitu jinam. Programátoři přestali psát assembler, ale naučili se navrhovat systémy. Nikdo nepřišel o kus mozku. Mozek se přeorganizoval.

S AI je to stejné, jen o řád výše.

Výzkum z let 2023–2026 nepodporuje interpretaci, že nultá derivace - faktické znalosti - je zbytečná a lze ji přeskočit. Kognitivní věda jasně ukazuje, že bez zautomatizovaných schémat v dlouhodobé paměti je pracovní paměť zahlcena a vyšší myšlení selhává. Nelze řídit tým, jehož práci nechápete. Ale současně je jasné, že tradiční vzdělávání investovalo do nulté derivace nepřiměřeně mnoho času na úkor první a druhé. Studenti strávili tisíce hodin memorováním informací, které dnes najdou za sekundu - a přitom se nikdy systematicky neučili, jak rozpoznat problém, formulovat otázku nebo zhodnotit kvalitu odpovědi.

Tři poznatky, které nejsou zřejmé z jednotlivých studií, ale vyplývají z jejich syntézy:

Design rozhoduje víc než technologie. Harvardský AI tutor zdvojnásobil učení. Neřízený ChatGPT ho o 17 % zhoršil. Meta-kompetence - schopnost rozlišit, kdy AI pomáhá a kdy škodí - jsou proto existenčně důležité.

Okamžitý výkon ≠ trvalé učení. Bez metakognitivního vědomí - druhé derivace - si student ani neuvědomí, že zrovna přenechává těžkou kognitivní práci stroji. Jak ukázal tzv. paradox výkonu, AI zvyšuje výsledky tady a teď, ale může oslabovat budování trvalých znalostí.

Nový typ nerovnosti: Meta-kompetence druhé derivace jsou již nyní nerovnoměrně distribuované. „Dilema nováčka“ postihuje právě ty, kdo vzdělání nejvíce potřebují.

Řešení není ani „zpátky k biflování“, ani „všechno nechte na AI“. Je to posun proporcí: méně času na memorování faktů, víc na jejich aplikaci - a podstatně víc na schopnost rozpoznat, co nevím, kde to zjistím a jak poznám, že odpověď dává smysl.

Pokaždé, když se v historii změnil dominantní nástroj, lidé ztratili jednu schopnost - a mozek přesměroval uvolněnou kapacitu jinam. Teď se to děje znovu. Otázka pro příštích deset let nezní, jestli se mozek přesměruje - to je jisté. Otázka zní, jestli ten přesun budeme řídit, nebo jestli ho necháme na náhodě.

Metodologická poznámka: Tento článek syntetizuje výzkum z let 2023–2026, zahrnující meta-analýzy, RCT studie, průzkumy OECD (TALIS 2024) a policy dokumenty UNESCO, WEF a EU. Klíčová omezení: většina studií o efektech AI na učení je krátkodobá (týdny až měsíce), dlouhodobé longitudinální studie chybějí. Whartonská studie (Bastani et al.) i harvardská studie (Kestin et al.) mají relativně malé vzorky. Meta-analýzy vykazují vysokou heterogenitu, což naznačuje, že efekty silně závisí na kontextu. Data o českém školství jsou omezená na průzkumy NPI z roku 2024. Další zdroje: OECD Learning Compass 2030, EU AI Act, UNESCO AI Competency Frameworks (2024), WEF Future of Jobs Report 2025, PwC Global AI Jobs Barometer 2025, RAND Corporation 2025.

Transparentnost tvorby:

Koncepce, struktura a redakční linie článku jsou dílem autora, který vypracoval obsahovou skicu, stanovil klíčové teze a řídil celý proces tvorby. Generativní AI (Claude, Anthropic) byla využita jako nástroj pro rešerši, ověřování faktů a rozepsání autorovy předlohy.

Autor výstupy průběžně redigoval, ověřil klíčová zjištění a schválil finální znění. Žádná část textu nebyla publikována bez lidské kontroly. Všechny faktické údaje byly ověřeny proti veřejně dostupným zdrojům uvedeným v textu.

Postup je v souladu s požadavky Čl. 50 Nařízení EU 2024/1689 (AI Act) na transparentnost AI-generovaného obsahu. #poweredByAI